Ultralytics YOLO27：

YOLOv5 与 DAMO-YOLO#

实时计算机视觉领域在不断发展，研究人员和工程师们一直在努力实现准确率、速度和易用性之间的完美平衡。在这一发展历程中，Ultralytics YOLOv5 和阿里巴巴的 DAMO-YOLO 是两个颇具影响力的模型。

本指南将深入分析两者的架构、性能指标和训练方法，帮助你为下一次部署选择合适的模型。

模型背景#

在深入了解技术细节之前，了解这两个重要视觉模型的起源和主要设计理念非常重要。

Ultralytics YOLOv5#

YOLOv5 由 Glenn Jocher 和 Ultralytics 团队开发，自发布以来已成为行业标准。它原生构建于 PyTorch 框架之上，优先考虑简化的开发者体验和开箱即用的可靠部署能力。

DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团的研究人员创建，重点关注神经架构搜索 (NAS) 和先进的蒸馏技术。它突破了硬件特定性能的理论极限，非常适合需要极致调优的研究和边缘计算环境。

了解有关 DAMO-YOLO 的更多信息

架构创新#

两种模型都利用独特的结构设计来实现实时性能，但采用的方法存在显著差异。

YOLOv5：稳定性与多功能性#

YOLOv5 采用改进的 CSP (跨阶段部分) 主干网络，并配合 PANet (路径聚合网络) 颈部网络。这种结构效率很高，可在训练和推理期间最大限度地减少 CUDA 内存使用。

YOLOv5 最大的优势之一是其跨任务的多功能性。除了边界框预测之外，它还为图像分割和图像分类提供专用架构，让开发者能够围绕一个统一、连贯的框架来标准化视觉处理流程。

DAMO-YOLO：自动化架构搜索#

DAMO-YOLO 的核心创新是其 MAE-NAS Backbone。阿里巴巴团队通过最大熵引导搜索，发现了能够在检测精度和推理速度之间动态平衡的主干网络。

此外，它还采用 Efficient RepGFPN 颈部网络，以改善特征融合，这对卫星图像分析中常见的复杂尺度变化非常有益。其 ZeroHead 设计简化了最终预测层，从而降低延迟，但这种复杂的结构生成方式可能使架构缺乏灵活性，也更难针对自定义应用进行修改。

内存需求

基于 Transformer 的架构通常面临较高的显存消耗。YOLOv5 和 DAMO-YOLO 都采用高效的卷积设计来降低内存占用，但 Ultralytics 模型针对消费级 GPU 进行了显著优化，因此对独立研究人员和初创公司来说更加易于使用。

性能与指标#

评估实时目标检测器需要综合考察 mAP (平均精度均值)、推理速度和模型大小等参数。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		参数量
（M）		FLOPs
（B）
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

虽然 DAMO-YOLO 在某些参数规模下能够取得极具竞争力的 mAP 分数，但 YOLOv5 始终展现出出色的 TensorRT 速度，并且在 nano 和 small 配置下参数量极低。这种性能平衡确保 YOLOv5 能够在各种边缘部署场景中高效运行。

训练效率与生态系统#

模型的理论准确率只有在实际可实施性良好的情况下才有意义。这正是两种模型存在明显差异的地方。

蒸馏的复杂性#

DAMO-YOLO 高度依赖多阶段训练方法。它将 AlignedOTA 标签分配与教师-学生知识蒸馏技术相结合。虽然这从学生模型中提取了极致的性能，但它需要首先训练一个庞大的教师模型。这显著增加了计算时间、能源成本和所需的硬件，对敏捷机器学习团队构成了瓶颈。

Ultralytics 的优势：易于使用#

相比之下，Ultralytics 生态系统以其直观的 API 和高效训练而享誉全球。在活跃开发和庞大开源社区的支持下，开发者可以无缝地训练、验证和部署模型。

from ultralytics import YOLO

# Load a pretrained YOLOv5 model
model = YOLO("yolov5s.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX format for deployment
model.export(format="onnx")

Ultralytics 还通过 Weights & Biases 和 Comet ML 等工具内置支持实验跟踪，打造顺畅无阻的工作流程。

实际应用场景#

  • YOLOv5 擅长快节奏的生产环境。它简单直接的导出能力使其成为智能零售分析、高速制造缺陷检测以及通过 CoreML 集成到移动应用中的首选。
  • DAMO-YOLO 非常适合严格的学术基准测试，以及拥有充足计算资源、能够执行长时间蒸馏训练的场景，从而针对特定固定硬件目标挤出小幅 mAP 提升。

使用场景与建议#

在 YOLOv5 和 DAMO-YOLO 之间进行选择，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv5#

YOLOv5 适合以下场景：

  • 经过生产验证的系统： 重视 YOLOv5 长期稳定记录、完善文档和庞大社区支持的现有部署项目。
  • 资源受限的训练： GPU 资源有限的环境，此时 YOLOv5 高效的训练流水线和较低的内存需求更具优势。
  • 广泛的导出格式支持： 需要跨多种格式部署的项目，包括 ONNX、TensorRT、CoreML 和 TFLite。

何时选择 DAMO-YOLO#

以下场景推荐使用 DAMO-YOLO：

  • 高吞吐量视频分析： 在固定的 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中批量大小为 1 时的吞吐量是首要指标。
  • 工业制造产线： 在专用硬件上具有严格 GPU 延迟约束的场景，例如装配线上的实时质量检测。
  • 神经架构搜索研究： 研究自动化架构搜索（MAE-NAS）和高效重参数化骨干网络对检测性能的影响。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 在性能和开发者体验之间提供了最佳组合：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

下一代演进：YOLO26#

如果你正在启动一个新项目，强烈建议你着眼于未来。Ultralytics YOLO26 以 YOLOv5 的卓越基础为起点，融入革命性的进步，重新定义视觉 AI 的先进水平。

为什么升级到 YOLO26？

YOLO26 发布后广受好评，原生采用端到端架构。它具备端到端无 NMS 设计，完全消除了非极大值抑制后处理，从而实现更快、更简单的部署。

YOLO26 的关键创新包括：

  • MuSGD 优化器： 受 LLM 训练创新的启发，这种 SGD 与 Muon 的混合优化器可确保训练高度稳定并快速收敛。
  • CPU 推理速度最高提升 43%： 针对边缘计算进行了深度优化，非常适合在没有专用 GPU 的情况下运行的 IoT 设备。
  • ProgLoss + STAL： 先进的损失函数可大幅提升小目标识别能力，这对于空中无人机图像和机器人技术至关重要。
  • 任务专用改进： 从用于有向边界框 (OBB)的专用角度损失，到用于精确姿态估计的残差对数似然估计 (RLE)，YOLO26 能够轻松应对复杂领域。

结论#

YOLOv5 和 DAMO-YOLO 都已在目标检测历史上占据重要地位。DAMO-YOLO 仍然是神经架构搜索和蒸馏领域一个引人入胜的研究案例。然而，对于优先考虑维护良好的生态系统、易用性以及快速投入生产的组织而言，Ultralytics 模型依然无可匹敌。

我们强烈建议使用 Ultralytics 平台来标注、训练和部署新一代模型（例如 YOLO26），确保你的计算机视觉流程面向未来、高速运行并具备出色的准确率。

延伸阅读#

  • 探索基于 Transformer 的 RT-DETR，用于高准确率应用。
  • 了解上一代 YOLO11 模型。
  • 了解如何使用 OpenVINO 优化部署。
贡献者
GLglenn-jocher17PDpderrenger2

评论